XiaoMi-AI文件搜索系统
World File Search Systemdatasets
泰国健康疾病和社会决定因素的流行率：公共数据集的见解
摘要此评论研究了2013年至2021年泰国的卫生疾病（NCD）和卫生社会决定因素（NCD）和社会决定因素（NCDS）和2021年。NCDS和SDHS之间的因果关系在于社会经济因素，环境状况和医疗保健的机会如何显着影响NCDS风险因素和健康结果的分布，加剧健康状况的差异并塑造有助于NCD发展的个人行为。NCDS的患病率包括癌症（CA），冠状动脉疾病（CAD），慢性阻塞性肺疾病（COPD），糖尿病（DM）（DM），高血压（HTN）和中风。SDHS数据包括家庭收入，费用，贷款，教育，吸烟者，饮酒者和颗粒物2.5级别。描述性分析被用来审查公开可用的数据集。调查结果表明，家庭收入，贷款和PM2.5浓度的显着增加，构成了环境风险。NCDS的患病率，包括DM，HTN，Stroke，CAD，CA和COPD，表现出向上的趋势。NCD患病率的省级差异强调了目标干预措施的必要性。 未来的研究可能关注SDHS的纵向趋势。 为了减轻NCD的升级，务必进行全面的健康促进计划，强调风险因素意识，生活方式的改变以及增强对预防性医疗服务的访问。 调查影响健康结果的省级差异和社会经济因素对于政策制定至关重要。NCD患病率的省级差异强调了目标干预措施的必要性。未来的研究可能关注SDHS的纵向趋势。为了减轻NCD的升级，务必进行全面的健康促进计划，强调风险因素意识，生活方式的改变以及增强对预防性医疗服务的访问。调查影响健康结果的省级差异和社会经济因素对于政策制定至关重要。
评估两个不同大小的数据集上的双层特征选择的运动想象分类性能
摘要：已经进行了大量研究来从各个方面提高基于运动想象的脑机接口 (BCI) 分类性能。然而，在客观和主观数据集上比较他们提出的特征选择框架性能的研究有限。因此，本研究旨在提供一种新颖的框架，该框架将不同频带的空间滤波器与双层特征选择相结合，并在已发布和自获取的数据集上对其进行评估。对脑电图 (EEG) 数据进行预处理并将其分解为多个频率子带，然后根据 Fisher 比率和最小冗余最大相关性 (mRmR) 算法提取、计算和排序其特征。通过线性判别分析 (LDA) 选择信息滤波器组进行最佳分类。研究结果首先表明，所提出的方法在准确性和 F1 分数方面可与其他传统方法相媲美。研究还发现，手与脚的分类比左手与右手的分类更具可辨性（差异为 4-10%）。最后，在应用于小规模数据时，滤波器组通用空间模式（FBCSP，无特征选择）算法的性能明显低于所提出的方法（p = 0.0029、p = 0.0015 和 p = 0.0008）。
在整个鼠标脑图像数据集中用于3D细胞检测的深度学习算法
了解神经系统的功能需要绘制其由功能，解剖学或基因表达定义的其组成细胞的空间分布。最近，组织制备和显微镜的发展使整个啮齿动物大脑都可以成像细胞种群。但是，手动映射这些神经元很容易偏见，并且通常不切实际。在这里，我们提出了一种开源算法，用于使用标准台式计算机硬件在鼠标全脑显微镜图像中完全自动化的3D检测神经元somata。我们通过绘制通过通过逆行反式突触病毒感染表达的细胞质荧光蛋白标记的大型细胞的大脑范围来证明我们方法的适用性和功能。
在整个鼠标脑图像数据集中用于3D细胞检测的深度学习算法
了解神经系统的功能需要绘制其由功能，解剖或基因表达定义的其组成细胞的空间分布。最近，组织制备和显微镜的发展使整个啮齿动物大脑都可以成像细胞弹出。但是，手动映射这些神经元很容易出现偏见，并且通常不切实际地消耗。在这里，我们提出了一种使用stan-dard台式计算机硬件的鼠标全脑显微镜图像中完全自动化的3D检测神经元somata的开放源算法。我们通过绘制大脑范围的位置来证明方法的应用和力量，这些位置的大脑种群用逆行跨突触性VI-RAL感染表达的细胞质泛流蛋白标记。
诊断基因组，外显子组和小组测序数据集的脊柱肌肉萎缩病的丢失病例
在基因组，外部和小组测序数据集中诊断出遗漏的脊柱肌肉萎缩病例本·韦斯堡（Ben Weisburd），1,2，* Rakshya Sharma，1,3 Villem Pata，4,5 Tiia Reimand，4,6 Vijay S. Ganesh，1,2,7,7,7,7,8 Christina Austin-Austin-tsei-emiDe，1,8 emiyl emwa suow om emolow om emrouwa os。 O'Heir, 1,8 Melanie O'Leary, 1 Lynn Pais, 1,8 Seth A. Stafki, 9 Audrey L. Daugherty, 9 Chiara Folland, 26 Stojan Peri ć , 10,11 Nagia Fahmy, 12 Bjarne Udd, 13 Magda Horakova, 14,15 Anna Łusakowska, 16 Rajanna Manoj, 17 Atchayaram Nalini, 17 Veronika Karcagi, 18 Kiran Polavarapu, 19 Hanns Lochmüller, 19,20,21 Rita Horvath, 22 Carsten G. Bönnemann, 23 Sandra Donkervoort, 23 Göknur Halilo ğ lu, 23,24 , Ozlem Herguner, 25 Peter B. Kang, 9 Gianina Ravenscroft，26,27 Nigel Laing，26,27 Hamish S.Scott，28AnaTöpf，29 Volker Straub，29 Sander Pajusalu，4,6 Katrin rinap，4,6 Grace Tiao，1 Heidi L. Rehm，1,2 Anne O'Donnell-Lurururiia-Lururiaia Lururiaia 1,2,8，* * <
使用机器学习和多个数据集的网络钓鱼攻击和网站分类（比较分析）
摘要。网络钓鱼攻击是用于获取敏感信息的最常见类型的网络攻击类型，并且一直在影响全球的个体以及范围。已经提出了各种技术，以确定近年来机器智能的部署。但是，这些技术中使用的算法和区分因素在现有作品中非常多样化。在这项研究中，我们对各种机器学习算法进行了全面分析，以评估其在多个数据集上的putter序。我们进一步研究了多个数据集中最重要的功能，并将分类性能与缩小的维数数据集进行了比较。统计结果表明，随机和人工神经网络的表现优于其他分类算法，使用确定的特征实现了超过97％的精度。
Robust-Deep：一种增加脑成像数据集以提高深度学习模型性能和鲁棒性的方法
摘要 小型数据集通常会影响医学成像研究中深度神经网络 (DNN) 的泛化、稳健性和整体性能。由于收集大型临床数据库始终很困难，我们提出了一种生成大型真实/多样化数据集的分析方法。临床脑部 PET/CT/MR 图像包括全剂量 (FD)、低剂量 (LD)（仅对应于 FD 扫描中获取的事件的 5%）、非衰减校正 (NAC) 和基于 CT 测量的衰减校正 (MAC) PET 图像、CT 图像以及 35 名患者的 T1 和 T2 MR 序列。所有图像均已注册到蒙特利尔神经研究所 (MNI) 模板。使用拉普拉斯混合，利用来自两个不同患者的图像的频域信息以及混合蒙版进行自然呈现。这种来自计算机视觉和图像处理社区的经典技术仍然被广泛使用，并且与现代 DNN 不同，它不需要训练数据。实施了改进的 ResNet DNN 来评估四个图像到图像的转换任务，包括 LD 到 FD、LD+MR 到 FD、NAC 到 MAC 和 MRI 到 CT，使用和不使用合成图像。使用已建立的指标进行定量分析，包括峰值信噪比 (PSNR)、结构相似性指数度量 (SSIM) 和联合直方图分析，以进行定量评估。包含 35 名患者的注册小数据集与包含 350 个合成数据集加 35 个真实数据集的大数据集之间的定量比较显示，LD 到 FD 的 RMSE 和 SSIM 分别提高了 29% 和 8%，LD+MRI 到 FD 的 RMSE 和 SSIM 提高了 40% 和 7%，NAC 到 MAC 的 16% 和 8%，MRI 到 CT 映射任务的 24% 和 11%。定性/定量分析表明，与参考图像相比，所提出的模型通过生成更高质量、更低定量偏差和方差的图像，提高了所有四个 DNN 模型的性能。
稀疏量：通过非IID数据集对定向和时间变化的图表进行交流和节能分散的分布式学习
当前的深度学习（DL）系统依赖于集中的计算范式，该计算范式限制了可用培训数据的数量，增加了系统延迟并增加了隐私和安全性。通过分散的DL模型对DL模型对点对点连接的边缘设备进行的分散和分布式培训启用的设备学习，不仅可以减轻上述限制，而且还可以启用需要DL模型的下一代应用程序，以连续进行交互并从他们的环境中学习。然而，这需要开发新型培训算法，这些新型培训算法会通过随着时间变化和定向的对等图结构进行训练DL模型，同时最大程度地减少设备之间的连接数量，并且对非IID数据分布也有弹性。在这项工作中，我们提出了稀疏的畅通，这是一种交流效率分散的分布式培训算法，该培训算法支持对点对点，指导和时间变化的图形拓扑。所提出的算法可以减少466倍的交流，而在训练各种DL模型（例如Resnet-20和VGG11）上的CIFAR-10数据集时，性能仅降解了1％。此外，我们证明了如何导致非IID数据集的频率降解的显着性能降解，并提出了偏斜补偿的稀疏推动算法，从而恢复了这种性能下降，同时保持相似的通信压缩水平。
Consensify：一种从古基因组数据集生成伪单倍体基因组序列并降低错误率的方法
摘要：古基因组分析的标准做法是将映射的短读数据转换为伪单倍体序列，通常是从映射读堆栈中随机选择一个高质量的核苷酸。这可以控制由于差异测序覆盖率而导致的偏差，但不能控制差异率和测序错误类型，这些错误在从古代样本获得的数据集中通常很大且多变。这些错误可能会扭曲系统发育和种群聚类分析，并误导使用 D 统计量的混合测试。我们介绍了一种生成伪单倍体序列的方法 Consensify，它可以控制由差异测序覆盖率导致的偏差，同时大大降低错误率。错误校正直接来自数据本身，无需额外的基因组资源或简化假设（例如同时采样）。对于系统发育和种群聚类分析，我们发现与基于单读采样的方法相比，Consensify 受人工制品的影响较小。对于 D 统计量，Consensify 对假阳性的抵抗力更强，并且与其他常用方法相比，不同实验室协议导致的偏差似乎影响较小。尽管 Consensify 是针对古基因组数据开发的，但它适用于任何低到中等覆盖率的短读数据集。我们预测，Consensify 将成为未来古基因组研究的有用工具。
REACT：两个数据集，用于分析人类反应和对机器人的评估反馈
人类机器人互动（HRI）的最新工作表明，机器人可以利用用户的隐性交流信号来了解它们在交互过程中的感知。例如，这些信号可以是反映内部人类状态的凝视模式，面部表情或身体运动。为了促进这一方向的未来研究，我们贡献了React数据库，这是两个人类机器人交互数据集的集合，这些数据集在协作游戏和摄影场景中显示了用户对机器人的自然反应。此外，我们分析数据集，以表明相互作用历史是可以影响人类对机器人反应的重要因素。因此，我们认为，解释HRI中隐性反馈的未来模型应明确说明这一历史。反应在将来打开了这种可能性。